基于特征工程和强化学习的匿名交通检测
1Faculty of Computer Engineering, Charles W. Davidson College of Engineering, San Jose State University, San Jose, CA 95192, USA.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
本研究引入了一种新的强化学习框架,用于检测匿名网络流量. 该系统在不需要标记数据的情况下达到80%以上的准确性,增强了对可疑活动的网络安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 匿名网络对于用户隐私至关重要,但也促进了恶意活动.
- 检测匿名网络流量对于应对不断变化的威胁的互联网安全至关重要.
- 现有的机器学习检测方法通常需要广泛的标记数据集和复杂的模型.
研究的目的:
- 开发一个高效准确的系统来检测匿名网络流量.
- 克服现有方法的局限性,特别是对标记数据和复杂架构的依赖.
- 提高匿名交通检测系统的培训效率和性能.
主要方法:
- 利用特征工程从匿名流量的静态痕迹中提取和排名模式信息.
- 开发了一个强化学习框架,包括状态,动作,奖励和状态过渡.
- 实施了一个轻量级的系统来分类匿名和非匿名流量,使用微调的门而不是传统的标签.
主要成果:
- 拟议的系统成功地识别了匿名网络流量.
- 该系统基于模式信息实现了超过80%的准确率.
- 该方法证明了有效的匿名流量检测,而不需要标记数据.
结论:
- 开发的强化学习框架为检测匿名网络流量提供了一个有希望的解决方案.
- 该系统在没有标记数据的情况下进行检测的能力解决了该领域的一个关键挑战.
- 这项研究通过提供更有效,更准确的检测机制,有助于加强网络安全.
